很多人知道 AI 很强大，却只能说出一句“我想学 AI”。这句话更像焦虑，不是一项可以立刻执行的任务。
AI 不是一个需要从头学完的单一技能。它更像一套不断变化的工具生态：销售可以拿它找客户，研究者可以用它读论文，创作者可以用它写小说、做图、剪短剧，开发者可以用它写代码、做 Agent。先看清它能覆盖什么，才有可能把模糊的“想学”变成具体的下一步。
进入用途关系图数字只用来说明覆盖范围。真正有用的是：你可以从一个用途出发，点到任务、案例、教程、工具和原始资料。
可以直接拿来问自己的具体事情
有人已经做过的真实实践或产物
可以继续打开、跟着尝试的教程
和用途、方法或案例连在一起的工具
这是带有“可以采用”“可用于完成”“使用了该工具”“需要留意”等明确语义的关系。其余关系主要用于追溯来源和组织图谱，不代表独立路径、质量或影响力排名。
很多人知道 AI 很强大，却不知道它能进入自己的哪一项工作。于是“学 AI”变成一个越来越大的范围：模型、工具、提示词、Agent、编程、出图、写作、自动化，好像都需要先学会。
但销售想解决的可能是获客，研究者想整理论文，创作者想写小说、做海报、剪短剧，普通人想处理 PDF 或表格。这些是不同的问题，适合的工具、教程和下一步也不同。把它们都叫作“学 AI”，很难直接开始。
我们把这个网站当作一份面向现实使用的公开资料整理。它不要求用户先定义“我要学哪门 AI”，而是从具体用途、真实案例和操作教程出发，让人先看到 AI 可以参与哪些工作。
当一个人看到“销售获客”“整理 PDF”“写小说人物”“做电商图”“Codex 开发”这些具体入口，模糊的焦虑才有机会变成可继续追问的问题：怎么做、谁做过、用什么工具、有哪些限制。
文章、视频字幕、案例、工具文档、GitHub README、仓库示例和官方资料都可以进入资料池。只有标题和链接的内容先留在候选区，尽量拿到正文或完整转写后再进入正式整理。
每份资料单独保存作者、平台、链接、时间、真实产物、操作过程、成本、限制和失败经验。个人教程与官方事实各自承担不同作用，不提前互相替代。
LLM Wiki 对资料做归纳、拆分和链接，识别出用途、任务、案例、教程、创作者、工具、仓库、方法、风险等实体，并把它们连接起来。它是内容加工中心，不是新的事实来源。
网站把主题层级显示为思维导图，把实体之间的关系显示为局部图谱。用户可以先自由浏览，也可以搜索一个具体问题，最后回到原教程、作者主页或仓库继续深入。
把“AI 能做什么”落到工作、学习、创作、经营和生活里的真实问题。
把教程里真正可执行的步骤、提示、工作流和使用条件整理出来。
保留谁在什么条件下完成了什么，以及过程中的限制和失败经验。
把方法连接到可以继续尝试的工具、项目、插件和 GitHub 仓库。
优先保留长期实践者的判断、取舍和实际产物，而不是只收集功能介绍。
把资料里提到的成本、版本、版权、效果和适用条件一起带出来。
官方文档负责定义功能、版本、政策和风险；真正帮助人上手的部分，优先寻找有实际产物和长期经验的创作者教程。
每份资料独立保存作者、平台、原始链接和采集信息。不同作者的经验不会在进入 Wiki 前被提前混成一篇“标准答案”。
LLM Wiki 负责提取、总结、拆分和建立双链。人工主要检查批量问题、来源完整性和系统性偏差，不逐页润色。
本站基于网上检索到的公开文章、视频、案例与仓库，经 LLM Wiki 归纳、总结并建立关系。摘要不替代原作。
AI 生态是统一的，工具也会不断变化。这里不试图把生态封装成一套永远正确的课程，而是持续把公开资料整理成更容易进入、更容易比较、也更容易回到原作的入口。
查看来源与完整致谢